Agentes de IA

Do conceito ao agente funcionando

Aprenda a compreender, especificar, projetar, construir e testar um agente de IA, organizando um tópico do LAC como exemplo.

Um exemplo que acompanha toda a jornada

Agente organizador de tópicos do LAC. Recebe objetivos, materiais e regras; propõe uma organização; prepara artefatos; verifica resultados. O tópico de aplicação é esta própria área: dominios/computacao/inteligencia_artificial/agentes.

LAC significa Livro Ajustável de Conhecimento. Você pode começar por qualquer etapa, sem conhecer sua estrutura previamente.

O que é um agente de IA?

Um sistema que recebe um objetivo, observa informações, decide ações, utiliza ferramentas e avalia os resultados para continuar ou encerrar sua tarefa.

Neste exemplo, o modelo de linguagem interpreta materiais e propõe decisões; o programa controla ferramentas, permissões, validações e encerramento. O agente não precisa aprender ou alterar seus próprios parâmetros durante a execução.

Quando usar?

Quando o material varia e a próxima ação exige interpretação. Para validar extensões, caminhos e campos obrigatórios, use código. Comece com um fluxo simples e acrescente escolhas pelo modelo somente onde elas trouxerem benefício mensurável.

Resultado esperado da aprendizagem

Explique a diferença entre modelo, ferramenta, fluxo e agente; identifique quem decide cada ação no organizador de tópicos.

Conhecimentos para construir

Marque os conhecimentos que já domina. A sugestão de percurso se ajusta às suas escolhas nesta sessão.

Treinar um modelo do zero não é requisito deste percurso. A integração usa um modelo existente; a implementação exige um serviço no servidor para manter credenciais fora do HTML.

Knowgrama · visão do todo

Selecione um núcleo para explorar suas relações. Aqui, knowgrama é uma representação organizada de conceitos, relações e evidências para orientar compreensão e ação.

Referente, contexto e propósito

Referente: agente organizador de tópicos. Contexto: produção de conteúdo no LAC. Persona: aprendiz que atua como especificador, projetista e desenvolvedor. Problema: materiais dispersos e decisões de organização pouco rastreáveis.

Modelo mental pretendido: objetivo → evidências → decisões → ferramentas → resultado verificado. Restrições: escopo de pasta, fontes disponíveis, orçamento e revisão humana. Evidência final: proposta fundamentada e artefatos aprovados segundo critérios explícitos.

Especificar o agente organizador

Objetivo: transformar materiais de um tópico em uma proposta navegável e verificável de organização.

Contrato de entrada e saída

{
  "topico": "Agentes de IA",
  "caminho": "dominios/computacao/inteligencia_artificial/agentes",
  "objetivo": "compreender e construir agentes",
  "publico": "aprendiz com noções de programação",
  "materiais": [],
  "regras": [],
  "modo": "propor"
}

Saídas: inventário com proveniência, lacunas, proposta de percursos, manifesto de arquivos, rascunho de index.html e relatório. Material ausente deve aparecer como lacuna, nunca como fonte consultada.

Fora do escopo inicial: apagar materiais, reorganizar todo o LAC e publicar sem revisão humana.

Projetar arquitetura e comportamento

Estados e transições

Interfaces das ferramentas

listar_materiais(raiz) → [{id, caminho, origem}]
ler_material(id) → {conteudo, origem}
validar_proposta(proposta) → {erros, avisos}
escrever_rascunho(caminho, conteudo) → {hash, bytes}
verificar_links(manifesto) → {validos, quebrados, nao_verificados}

O modelo solicita ferramentas; o orquestrador valida nomes, argumentos e permissões. Conteúdo lido é dado de entrada: instruções encontradas dentro de documentos não substituem as regras do sistema.

Antes de gravar, normalize e resolva o caminho, verifique sua contenção na raiz e trate links simbólicos. Registre versão anterior e diferenças para permitir revisão e recuperação.

Implementar em incrementos

1. Base determinística: validar contrato JSON, inventariar arquivos e produzir manifesto.
2. Primeira integração: enviar ao modelo somente materiais autorizados e pedir proposta estruturada.
3. Decisões com ferramentas: permitir leitura complementar; aplicar limites e registrar observações.
4. Geração: criar HTML em rascunho, verificar caminhos e links.
5. Revisão: mostrar diferenças e relatório ao responsável.

Algoritmo de referência

# Pseudocódigo: adaptar ao provedor e ao ambiente
validar_entrada(entrada)
estado = inventariar(entrada)
para passo em 1..8:
    decisao = modelo.decidir(objetivo, regras, estado)
    validar_esquema(decisao)
    se decisao.tipo == "concluir":
        validar_proposta(decisao.proposta)
        retornar preparar_revisao(decisao.proposta)
    validar_ferramenta_e_permissao(decisao)
    observacao = executar_com_timeout(decisao)
    estado.registrar(decisao, observacao)
retornar interromper("limite de decisões atingido")

Este algoritmo descreve o controle; não é um programa conectado a uma API. A implementação real precisa de um adaptador do provedor, ferramentas de arquivos, tratamento de erros, armazenamento e testes.

Artefatos sugeridos para a implementação

agentes/
  index.html                ← guia atual
  laboratorio/
    organizador_topicos/
      README.md
      contratos/entrada.schema.json
      contratos/proposta.schema.json
      src/orquestrador.js
      src/ferramentas.js
      src/adaptador_modelo.js
      testes/casos.json
      rascunhos/
      relatorios/

Esta árvore é uma proposta de projeto; os arquivos da implementação real ainda não foram produzidos.

Laboratório · organizar um tópico

A proposta aparecerá aqui.

Testar e avaliar com evidências

Verificação pergunta se os artefatos atendem aos requisitos; validação pergunta se a organização ajuda o público a alcançar seu objetivo.

Avaliação do componente de IA

Use um conjunto fixo de tópicos com revisão humana e execute cada caso várias vezes. Registre cobertura dos requisitos, fundamentação das decisões, links inválidos, intervenções humanas, custo e duração. Compare com uma organização feita manualmente e com um fluxo sem decisões pelo modelo.

Critério proposto para o piloto: 100% dos testes de escopo e preservação aprovados; nenhuma fonte inventada; revisão humana dos conceitos e percursos antes da publicação. Metas de tempo e custo serão definidas após medir a linha de base.

Ainda não executadas.

Essas verificações cobrem apenas a lógica local de entrada e proposta. Não avaliam um agente real nem a qualidade de um modelo de IA.

Fontes e glossário

Referência técnica

Anthropic — Building effective agents (19/12/2024; consulta em 17/10/2026). Fundamenta a distinção entre fluxos e agentes e o uso de ferramentas com realimentação.

O contrato, os requisitos, os estados, o laboratório e os critérios desta página são propostas didáticas para o LAC. As regras oficiais de organização do LAC precisam ser fornecidas e verificadas antes de uma integração real.

Agente

Sistema que decide ações orientadas a um objetivo e observa seus resultados.

API

Interface para comunicação entre programas.

Estado

Informações que descrevem a situação atual da execução.

Ferramenta

Operação que o programa disponibiliza ao agente.

Fluxo

Sequência de atividades definida pelo programa.

Governança

Responsabilidades, regras e limites que orientam decisões.

JSON

Formato textual para representar dados estruturados.

Modelo de linguagem

Componente de IA que processa e gera linguagem.

Proveniência

Registro da origem e do contexto de uma informação.

Rascunho

Artefato preparado para revisão antes de substituir ou publicar conteúdo.